應用在教育科技上的「程序探勘」技術
目前線上學習因為COVID-19疫情的關係而加速發展，現今的學生們也幾乎都有線上學習的經驗。而實體與線上併用的學習策略，又稱為「混成式學習 (Hybrid learning)」策略，結合了面對面的教學，並且使用了線上教學工具作為輔助。而學生們在網路上對於課堂的參與度、專注度、積極度，究竟該怎麼追蹤呢？
撰文｜王冠云
從學習分析到「程序探勘」
在眾多線上教育學習平臺如雨後春筍般誕生的時代，不少研究者們也將焦點放在分析這些教育平臺上所收集到的使用者資料。學習分析 (Learning Analytics, LA) 指的是收集、分析、解釋學生在他們的學習環境的資料。而學習分析的主要目的是為了支持教師的教學策略，提前找出有風險的學生，或者藉以提供一些有效的介入。而學習分析對於提供適當的閱讀材料或是學習活動給學生，也扮演了很重要的角色，甚至也能用來評估學生們的學習成就。學習分析的研究方法包含使用機器學習、社群網路分析等。
另一方面，教育程序探勘 (Educational Process Mining, EPM) 則是嘗試從教育環境中的資料紀錄中，抽取出對於教育措施的觀點和知識。具體來說，它是藉由在學習管理系統 (Learning Management System, LMS) 中，分析事件的日誌資料（log資料）來發現、監控、或是改善流程。而通常對於Log資料的分析，可以藉此分析學生們的學習策略，觀察出是否具有「自我調節學習 (self-regulated learning)」的行為表現。
在學習管理系統中的程序探勘如何實行
在Armas-Cervantes (2024) 等人的研究中，使用了從學習管理系統 (LMS) 中收集到的資料，進行程序探勘之後，偵測學生們混成學習環境中的參與程度的變化。在他們的研究中，總共收集了194位學生一整個學期的資料，而且擁有在系統中超過26000筆的互動資料log檔。
在進行程序探勘時，主要有四個主要的操作步驟要進行。
- 模型發現：使用被記錄的log檔生成可視的圖形化模型，流程圖在程序探勘的術語中被稱為「Directly Follows Graph」，簡稱DFG。
- 一致性確認：比較預期的行為和透過Log檔所描述出來的行為之間的差異性，並且找出不希望出現的差異。
- 變異分析：比較流程之間的不同差異，並且找出造成這些差異的根本原因。
- 程序增強：透過從log檔中提取出來的內容，進行程序的改善。
在研究中，程序圖主要被切格成幾個節點 (node)：觀看課程影片、完成閱讀、參加Zoom課程、完成練習、回答每週測驗。每一週的課程內容，會產生不同的節點，而節點和節點之間的連結，則是透過實際學生的Log資料來繪製。而整學期的課程總共進行了12週，由於要計算每週所產生的改變，所以每兩週為一組來進行比較，例如「第1週vs.第2週」、「第3週vs.第4週」，以此類推。
而流程的一致性和變異分析的部分，在方法上研究者試圖建立了「相互足跡 (mutual fingerprints)」，在機器學習的分類演算法的幫助下，試圖找出可以區分流程變異的元素。主要有三個步驟：
第一：產生特徵量：每一個流程中的活動都被轉換成一個代表數字，使得每一個步驟也都可以轉換成一個向量。
第二：選擇特徵量：前述的向量透過機器學習來進行二元分類，藉以區分兩種流程是不是互相有差異。
第三：過濾：僅保留被認為是不同變異的流程，以此找出具有區別性的流程，繪製出兩種不同的DFG，且兩者互為「相互足跡」。
進行相互足跡的分析，能夠兩兩相比來檢視不同的流程之間的變化，對於檢視學生們的學習狀況而言，也能因此看出學生們在不同週之間學習活動的不同。例如，可以發現學生觀看課程影片的時間變得更長或更短。尤其是在考試週前後，發布作業前後，最能看出學生們有不同的行為改變。
即使沒有看到學生的臉也能觀察學生
程序探勘的好處在於透過學生們在LMS上面的瀏覽行為，來檢視學生們的學習狀況，透過分析與比較，也能觀察學生們對於考試和作業的反應如何。Armas-Cervantes (2024) 等人指出，在LMS上面會產生大量的資料和事件紀錄，但如何進行分析對於教師來說是一大考驗。因此，如果有更易懂易讀的工具，能幫助教師分析在LMS上面的龐大資料，數百名學生所產出的數千甚至數萬的互動紀錄，能透過視覺化的方式統整出來後，也讓教師可以更容易管理課堂，並且追蹤學生們的學習效果。
不過，Armas-Cervantes (2024) 等人也提醒，目前的研究還存在著一定的限制，例如，沒辦法確定學生們在網路上所進行的活動都是有意義的，有可能只是打開網頁而已並沒有認真閱讀。又或者，沒辦法確定學生是否單獨一人使用LMS，還是可能有多人一起用同一個帳號閱讀課程材料或影片。所以介面的整合以及更具有互動性的網頁，也會是未來LMS的開發方向。讓教學者和學生之間即使沒有朝夕相處，也能透過混成學習將彼此連結，甚至最大化學習效果。
參考文獻
- Armas-Cervantes, A., Abedin, E., & Taymouri, F. (2024). Dusting for fingerprints: Tracking online student engagement. Computers and Education: Artificial Intelligence, 6, 100232.
- 什麼是Process Mining